COCO-Seg Veri Seti
COCO (Common Objects in Context) veri setinin bir uzantısı olan COCO-Seg veri seti, nesne örneği segmentasyonu araştırmalarına yardımcı olmak için özel olarak tasarlanmıştır. COCO ile aynı görüntüleri kullanır ancak daha ayrıntılı segmentasyon ek açıklamaları sunar. Bu veri seti, örnek segmentasyon görevleri üzerinde çalışan araştırmacılar ve geliştiriciler için, özellikle de YOLO modellerini eğitmek için çok önemli bir kaynaktır.
COCO-Seg Önceden Eğitilmiş Modeller
| Model | boyut (piksel) | mAPbox 50-95 | mAPmask 50-95 | Hız CPU ONNX (ms) | Hız T4TensorRT10 (ms) | params (M) | FLOP'lar (B) |
|---|---|---|---|---|---|---|---|
| YOLO11n-seg | 640 | 38.9 | 32.0 | 65.9 ± 1.1 | 1.8 ± 0.0 | 2.9 | 10.4 |
| YOLO11s-seg | 640 | 46.6 | 37.8 | 117.6 ± 4.9 | 2.9 ± 0.0 | 10.1 | 35.5 |
| YOLO11m-seg | 640 | 51.5 | 41.5 | 281.6 ± 1.2 | 6.3 ± 0.1 | 22.4 | 123.3 |
| YOLO11l-seg | 640 | 53.4 | 42.9 | 344.2 ± 3.2 | 7.8 ± 0.2 | 27.6 | 142.2 |
| YOLO11x-seg | 640 | 54.7 | 43.8 | 664.5 ± 3.2 | 15.8 ± 0.7 | 62.1 | 319.0 |
Temel Özellikler
- COCO-Seg, COCO'daki orijinal 330K görüntüyü korur.
- Veri kümesi, orijinal COCO veri kümesinde bulunan aynı 80 nesne kategorisinden oluşmaktadır.
- Ek açıklamalar artık görüntülerdeki her nesne için daha ayrıntılı örnek segmentasyon maskeleri içeriyor.
- COCO-Seg, nesne algılama için Ortalama Ortalama Hassasiyet (mAP) ve örnek segmentasyon görevleri için Ortalama Ortalama Geri Çağırma (mAR) gibi standartlaştırılmış değerlendirme metrikleri sağlayarak model performansının etkili bir şekilde karşılaştırılmasına olanak tanır.
Veri Kümesi Yapısı
COCO-Seg veri kümesi üç alt kümeye ayrılmıştır:
- Train2017: Bu alt küme, örnek segmentasyon modellerinin eğitimi için 118 bin görüntü içerir.
- Val2017: Bu alt küme, model eğitimi sırasında doğrulama amacıyla kullanılan 5K görüntüyü içerir.
- Test2017: Bu alt küme, eğitilmiş modelleri test etmek ve kıyaslamak için kullanılan 20 bin görüntüyü kapsar. Bu alt küme için temel gerçek açıklamaları kamuya açık değildir ve sonuçlar performans değerlendirmesi için COCO değerlendirme sunucusuna gönderilir.
Uygulamalar
COCO-Seg, YOLO modelleri gibi örnek segmentasyonunda derin öğrenme modellerini eğitmek ve değerlendirmek için yaygın olarak kullanılmaktadır. Çok sayıda açıklamalı görüntü, nesne kategorilerinin çeşitliliği ve standartlaştırılmış değerlendirme metrikleri, onu bilgisayarla görme araştırmacıları ve uygulayıcıları için vazgeçilmez bir kaynak haline getirmektedir.
Veri Kümesi YAML
Veri kümesi yapılandırmasını tanımlamak için bir YAML (Yet Another Markup Language) dosyası kullanılır. Veri kümesinin yolları, sınıfları ve diğer ilgili bilgiler hakkında bilgi içerir. COCO-Seg veri kümesi söz konusu olduğunda coco.yaml dosyası şu adreste tutulur https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco.yaml.
ultralytics/cfg/datasets/coco.yaml
# Ultralytics YOLO 🚀, AGPL-3.0 license
# COCO 2017 dataset https://cocodataset.org by Microsoft
# Documentation: https://docs.ultralytics.com/datasets/detect/coco/
# Example usage: yolo train data=coco.yaml
# parent
# ├── ultralytics
# └── datasets
# └── coco ← downloads here (20.1 GB)
# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: ../datasets/coco # dataset root dir
train: train2017.txt # train images (relative to 'path') 118287 images
val: val2017.txt # val images (relative to 'path') 5000 images
test: test-dev2017.txt # 20288 of 40670 images, submit to https://competitions.codalab.org/competitions/20794
# Classes
names:
0: person
1: bicycle
2: car
3: motorcycle
4: airplane
5: bus
6: train
7: truck
8: boat
9: traffic light
10: fire hydrant
11: stop sign
12: parking meter
13: bench
14: bird
15: cat
16: dog
17: horse
18: sheep
19: cow
20: elephant
21: bear
22: zebra
23: giraffe
24: backpack
25: umbrella
26: handbag
27: tie
28: suitcase
29: frisbee
30: skis
31: snowboard
32: sports ball
33: kite
34: baseball bat
35: baseball glove
36: skateboard
37: surfboard
38: tennis racket
39: bottle
40: wine glass
41: cup
42: fork
43: knife
44: spoon
45: bowl
46: banana
47: apple
48: sandwich
49: orange
50: broccoli
51: carrot
52: hot dog
53: pizza
54: donut
55: cake
56: chair
57: couch
58: potted plant
59: bed
60: dining table
61: toilet
62: tv
63: laptop
64: mouse
65: remote
66: keyboard
67: cell phone
68: microwave
69: oven
70: toaster
71: sink
72: refrigerator
73: book
74: clock
75: vase
76: scissors
77: teddy bear
78: hair drier
79: toothbrush
# Download script/URL (optional)
download: |
from ultralytics.utils.downloads import download
from pathlib import Path
# Download labels
segments = True # segment or box labels
dir = Path(yaml['path']) # dataset root dir
url = 'https://github.com/ultralytics/assets/releases/download/v0.0.0/'
urls = [url + ('coco2017labels-segments.zip' if segments else 'coco2017labels.zip')] # labels
download(urls, dir=dir.parent)
# Download data
urls = ['http://images.cocodataset.org/zips/train2017.zip', # 19G, 118k images
'http://images.cocodataset.org/zips/val2017.zip', # 1G, 5k images
'http://images.cocodataset.org/zips/test2017.zip'] # 7G, 41k images (optional)
download(urls, dir=dir / 'images', threads=3)
Kullanım
Bir YOLO11n-seg modelini COCO-Seg veri kümesinde 640 görüntü boyutuyla 100 epok için eğitmek için aşağıdaki kod parçacıklarını kullanabilirsiniz. Kullanılabilir bağımsız değişkenlerin kapsamlı bir listesi için Model Eğitimi sayfasına bakın.
Tren Örneği
Örnek Görüntüler ve Açıklamalar
COCO-Seg, selefi COCO gibi, çeşitli nesne kategorileri ve karmaşık sahneler içeren çok çeşitli görüntüler içerir. Bununla birlikte, COCO-Seg görüntülerdeki her nesne için daha ayrıntılı örnek segmentasyon maskeleri sunar. Veri kümesinden bazı görüntü örnekleri ve bunlara karşılık gelen örnek segmentasyon maskeleri aşağıda verilmiştir:
- Mozaiklenmiş Görüntü: Bu görüntü, mozaiklenmiş veri kümesi görüntülerinden oluşan bir eğitim grubunu göstermektedir. Mozaikleme, eğitim sırasında kullanılan ve her bir eğitim grubundaki nesne ve sahne çeşitliliğini artırmak için birden fazla görüntüyü tek bir görüntüde birleştiren bir tekniktir. Bu, modelin farklı nesne boyutlarına, en boy oranlarına ve bağlamlara genelleme yeteneğine yardımcı olur.
Bu örnek, COCO-Seg veri setindeki görüntülerin çeşitliliğini ve karmaşıklığını ve eğitim sürecinde mozaikleme kullanmanın faydalarını göstermektedir.
Atıflar ve Teşekkür
Araştırma veya geliştirme çalışmalarınızda COCO-Seg veri setini kullanırsanız, lütfen orijinal COCO makalesine atıfta bulunun ve COCO-Seg uzantısını kabul edin:
@misc{lin2015microsoft,
title={Microsoft COCO: Common Objects in Context},
author={Tsung-Yi Lin and Michael Maire and Serge Belongie and Lubomir Bourdev and Ross Girshick and James Hays and Pietro Perona and Deva Ramanan and C. Lawrence Zitnick and Piotr Dollár},
year={2015},
eprint={1405.0312},
archivePrefix={arXiv},
primaryClass={cs.CV}
}
Bilgisayarla görme topluluğu için bu paha biçilmez kaynağı yaratan ve sürdüren COCO Konsorsiyumuna teşekkürlerimizi sunarız. COCO veri seti ve yaratıcıları hakkında daha fazla bilgi için COCO veri seti web sitesini ziyaret edin.
SSS
COCO-Seg veri seti nedir ve orijinal COCO veri setinden farkı nedir?
COCO-Seg veri kümesi, örnek segmentasyon görevleri için özel olarak tasarlanmış orijinal COCO (Common Objects in Context) veri kümesinin bir uzantısıdır. COCO veri kümesi ile aynı görüntüleri kullanmasına rağmen, COCO-Seg daha ayrıntılı segmentasyon ek açıklamaları içerir ve nesne örneği segmentasyonuna odaklanan araştırmacılar ve geliştiriciler için güçlü bir kaynak haline getirir.
COCO-Seg veri kümesini kullanarak bir YOLO11 modelini nasıl eğitebilirim?
Bir YOLO11n-seg modelini COCO-Seg veri kümesi üzerinde 640 görüntü boyutuyla 100 epok için eğitmek için aşağıdaki kod parçacıklarını kullanabilirsiniz. Kullanılabilir bağımsız değişkenlerin ayrıntılı bir listesi için Model Eğitimi sayfasına bakın.
Tren Örneği
COCO-Seg veri setinin temel özellikleri nelerdir?
COCO-Seg veri seti birkaç temel özellik içermektedir:
- COCO veri kümesindeki orijinal 330K görüntüyü korur.
- Orijinal COCO'da bulunan aynı 80 nesne kategorisine açıklama ekler.
- Her nesne için daha ayrıntılı örnek segmentasyon maskeleri sağlar.
- Nesne algılama için Ortalama Ortalama Hassasiyet (mAP) ve örnek segmentasyon görevleri için Ortalama Ortalama Geri Çağırma (mAR) gibi standartlaştırılmış değerlendirme metriklerini kullanır.
COCO-Seg için hangi ön eğitimli modeller mevcuttur ve bunların performans ölçütleri nelerdir?
COCO-Seg veri seti, farklı performans ölçütlerine sahip önceden eğitilmiş birden fazla YOLO11 segmentasyon modelini desteklemektedir. İşte mevcut modellerin ve temel metriklerinin bir özeti:
| Model | boyut (piksel) | mAPbox 50-95 | mAPmask 50-95 | Hız CPU ONNX (ms) | Hız T4TensorRT10 (ms) | params (M) | FLOP'lar (B) |
|---|---|---|---|---|---|---|---|
| YOLO11n-seg | 640 | 38.9 | 32.0 | 65.9 ± 1.1 | 1.8 ± 0.0 | 2.9 | 10.4 |
| YOLO11s-seg | 640 | 46.6 | 37.8 | 117.6 ± 4.9 | 2.9 ± 0.0 | 10.1 | 35.5 |
| YOLO11m-seg | 640 | 51.5 | 41.5 | 281.6 ± 1.2 | 6.3 ± 0.1 | 22.4 | 123.3 |
| YOLO11l-seg | 640 | 53.4 | 42.9 | 344.2 ± 3.2 | 7.8 ± 0.2 | 27.6 | 142.2 |
| YOLO11x-seg | 640 | 54.7 | 43.8 | 664.5 ± 3.2 | 15.8 ± 0.7 | 62.1 | 319.0 |
COCO-Seg veri seti nasıl yapılandırılmıştır ve hangi alt kümeleri içermektedir?
COCO-Seg veri kümesi, özel eğitim ve değerlendirme ihtiyaçları için üç alt kümeye ayrılmıştır:
- Train2017: Öncelikle örnek segmentasyon modellerini eğitmek için kullanılan 118K görüntü içerir.
- Val2017: Eğitim sürecinde doğrulama için kullanılan 5K görüntüden oluşur.
- Test2017: Eğitilmiş modelleri test etmek ve kıyaslamak için ayrılmış 20 bin görüntüyü kapsar. Bu alt küme için temel gerçek açıklamalarının kamuya açık olmadığını ve performans sonuçlarının değerlendirme için COCO değerlendirme sunucusuna gönderildiğini unutmayın.
